JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 8. Недообучение, переобучение и универсальный процесс ML
335
• Гипотеза о возможности предсказания выходных сигналов на основе входных 
(входной сигнал сам по себе содержит достаточно информации, чтобы модель 
могла предсказать выходной сигнал для всех возможных примеров данных 
в конкретной задаче).
• Гипотеза о том, что модели хватит имеющихся данных для усвоения выше­
упомянутой зависимости входных и выходных сигналов.
Пока у нас нет работающей модели, это всего лишь гипотезы, которые необхо­
димо проверить или опровергнуть. Не все задачи в принципе решаемы: наличие 
большого маркированного набора данных соответствий между X и Y не означает, 
что X содержит достаточно информации для значения Y. Например, попытка 
предсказания будущей стоимости конкретных акций на основе истории изме­
нения их стоимости, скорее всего, завершится неудачей, поскольку история их 
цен не содержит достаточно прогнозирующей информации об их будущей цене.
Один из классов нерешаемых задач, о которых вам следует знать: 
нестацио-
нарные
(nonstationary) задачи, где зависимость входных и выходных данных 
меняется с течением времени. Представьте себе, что вы пытаетесь создать реко­
мендательную систему для торговли одеждой (на основе истории покупок кон­
кретного пользователя) и обучаете модель на данных, собранных всего за один 
год. Основная проблема здесь заключается в том, что вкусы людей к одежде со 
временем меняются. Модель, достаточно безошибочно работающая на провероч­
ных данных за прошлый год, вовсе не обязательно будет столь же безошибочно 
работать в этом году. Учтите, что машинное обучение позволяет усваивать лишь 
те паттерны, которые присутствуют в обучающих данных. В этом случае вполне 
работоспособным решением будет использование актуальных данных и непре­
рывное обучение новых моделей.
3. 
Найти надежную меру успешности работы обученной модели относительно цели
. 
В простых задачах такими мерами могут служить безошибочность предсказаний, 
точность и полнота, кривая ROC и значение AUC (см. главу 3). Но во многих 
случаях потребуются более сложные предметно­ориентированные метрики, на­
пример коэффициент удержания клиентов, — те, что лучше соответствуют более 
высокоуровневым целям, скажем, цели успешности бизнеса.
4. 
Подготовить процесс оценки
. Необходимо спроектировать процесс проверки ка­
чества работы модели. В частности, следует разбить данные на три однородных, 
но непересекающихся множества: обучающий, проверочный и контрольный 
наборы. Важно, чтобы метки проверочного и контрольного наборов не попали 
в обучающие данные. Например, в случае временн
ы
х прогнозов проверочные 
и контрольные данные должны браться из промежутков времени, 
следующих за
обучающими данными. Код предварительной обработки данных должен полно­
стью охватываться тестами для защиты от подобных ошибок.
5. 
Выполнить векторизацию данных
. Данные необходимо преобразовать в тензоры, 
называемые также 
n
­мерными массивами, — лингва франка моделей машинного 
обучения в таких фреймворках, как TensorFlow.js и TensorFlow. Обратите вни­
мание на следующие рекомендации по векторизации данных.

---

336